09:46
官方账号arXiv cs.LG@Kung-Ming Lan
推荐理由：这篇论文点破了一个反直觉事实：量子模型容量越大越难训练，并给出了用对称性绕过贫瘠高原的数学方法。
Quantum Machine Learning
共 1 条相关 AI 资讯
7月1日
09:46
该研究指出参数化量子电路(PQCs)的巨大希尔伯特空间容量是导致贫瘠高原(BPs)（梯度指数平坦）的直接数学原因，并建立了动力学李代数(DLAs)与几何量子ML的框架。在非线性二分类任务中验证，无结构架构通过不可扩展参数化达到近完美训练精度（量子过拟合），而嵌入群论几何先验作为结构正则化器。通过将DLA增长限制为多项式级别，牺牲原始记忆能力来保证可扩展、梯度丰富的训练景观，提供了可扩展量子神经网络的“按设计可训练”路径。